Previsão por Técnicas de Suavização Este site faz parte dos objetos de aprendizagem E-labs do JavaScript para tomada de decisões. Outros JavaScript nesta série são categorizados em diferentes áreas de aplicativos na seção MENU desta página. Uma série temporal é uma seqüência de observações ordenadas no tempo. Inerente na coleta de dados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido à variação aleatória. Técnicas amplamente utilizadas são suavizantes. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Insira a série temporal em ordem de seqüência, começando no canto superior esquerdo e o (s) parâmetro (s) e, em seguida, clique no botão Calcular para obter previsão de um período à frente. Caixas em branco não são incluídas nos cálculos, mas zeros são. Ao inserir seus dados para mover de uma célula para outra na matriz de dados, use a tecla Tab e não insira as setas. Recursos de séries temporais, que podem ser revelados ao examinar seu gráfico. com os valores previstos, e o comportamento dos resíduos, modelagem de previsão de condição. Médias móveis: as médias móveis estão entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados para filtrar o ruído branco aleatório dos dados, para tornar a série temporal mais suave ou até para enfatizar certos componentes informativos contidos nas séries temporais. Suavização Exponencial: Este é um esquema muito popular para produzir uma Série Temporal suavizada. Enquanto em Moving Averages as observações passadas são ponderadas igualmente, o Exponential Smoothing atribui pesos exponencialmente decrescentes à medida que a observação fica mais velha. Em outras palavras, observações recentes recebem um peso relativamente maior na previsão do que as observações mais antigas. A suavização exponencial dupla é melhor para lidar com tendências. A suavização exponencial tripla é melhor para lidar com as tendências da parábola. Uma média móvel exponenciada com uma constante de suavização a. corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, em que a e n estão relacionados por: a 2 / (n1) OR n (2 - a) / a. Assim, por exemplo, uma média móvel exponenencialmente ponderada com uma constante de alisamento igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holts Suavização linear exponencial: suponha que a série temporal seja não sazonal, mas exiba tendência. O método de Holts estima o nível atual e a tendência atual. Observe que a média móvel simples é um caso especial da suavização exponencial, configurando o período da média móvel para a parte inteira de (2-Alpha) / Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0,40 costuma ser efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço de parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Em seguida, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é usar a comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário plotar (utilizando, por exemplo, Excel) no mesmo gráfico os valores originais de uma variável de série temporal e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões Passadas por Técnicas de Suavização do JavaScript para obter os valores de previsão anteriores com base nas técnicas de suavização que usam apenas um único parâmetro. Os métodos de Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ótimos, ou até mesmo próximos, por tentativa e erros para os parâmetros. A suavização exponencial única enfatiza a perspectiva de curto alcance que define o nível para a última observação e é baseada na condição de que não há tendência. A regressão linear, que ajusta uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que é condicionado à tendência básica. A suavização exponencial linear de Holts captura informações sobre tendências recentes. Os parâmetros no modelo de Holts são parâmetros de níveis que devem ser diminuídos quando a quantidade de variação de dados é grande, e o parâmetro de tendências deve ser aumentado se a direção de tendência recente for apoiada por alguns fatores causais. Previsão de curto prazo: observe que todo JavaScript nesta página fornece uma previsão de um passo à frente. Para obter uma previsão de dois passos à frente. Basta adicionar o valor previsto ao final dos dados da série temporal e, em seguida, clicar no mesmo botão Calcular. Você pode repetir esse processo por algumas vezes para obter as previsões de curto prazo necessárias. Simples vs. Médias móveis exponenciais As médias móveis são mais do que o estudo de uma seqüência de números em ordem sucessiva. Os primeiros praticantes da análise de séries temporais estavam mais preocupados com números de séries temporais individuais do que com a interpolação desses dados. Interpolação. na forma de teorias e análises de probabilidade, vieram muito mais tarde, à medida que os padrões foram desenvolvidos e as correlações descobertas. Uma vez compreendidas, várias curvas e linhas com formas foram desenhadas ao longo da série temporal, na tentativa de prever para onde os pontos de dados poderiam ir. Estes são agora considerados métodos básicos atualmente utilizados por traders de análise técnica. A análise de gráficos pode ser rastreada até o Japão do século 18, mas como e quando as médias móveis foram aplicadas pela primeira vez aos preços de mercado permanece um mistério. É geralmente entendido que as médias móveis simples (SMA) foram usadas muito antes das médias móveis exponenciais (EMA), porque as EMAs são construídas na estrutura SMA e o contínuo SMA era mais facilmente compreendido para fins de plotagem e rastreamento. (Você gostaria de um pouco de leitura de fundo Confira médias móveis: o que são eles) Média móvel simples (SMA) Médias móveis simples tornou-se o método preferido para acompanhar os preços de mercado, porque eles são rápidos para calcular e fácil de entender. Os primeiros praticantes de mercado operavam sem o uso das sofisticadas métricas de gráficos em uso hoje, de modo que se baseavam principalmente nos preços de mercado como seus únicos guias. Eles calcularam os preços de mercado manualmente e fizeram um gráfico desses preços para indicar as tendências e a direção do mercado. Este processo foi bastante tedioso, mas mostrou-se bastante lucrativo com a confirmação de mais estudos. Para calcular uma média móvel simples de 10 dias, basta adicionar os preços de fechamento dos últimos 10 dias e dividir por 10. A média móvel de 20 dias é calculada adicionando os preços de fechamento em um período de 20 dias e dividida por 20 e em breve. Esta fórmula não se baseia apenas nos preços de fechamento, mas o produto é um meio de preços - um subconjunto. As médias móveis são chamadas de móveis porque o grupo de preços usado no cálculo se move de acordo com o ponto no gráfico. Isso significa que dias antigos são descartados em favor de novos dias de preço de fechamento, portanto, um novo cálculo é sempre necessário, correspondendo ao período de tempo da média empregada. Assim, uma média de 10 dias é recalculada adicionando o novo dia e soltando o 10º dia, e o nono dia é descartado no segundo dia. (Para saber mais sobre como os gráficos são usados na troca de moedas, confira nosso Passo a passo sobre os gráficos básicos.) Média móvel exponencial (EMA) A média móvel exponencial foi refinada e usada com mais frequência desde a década de 1960, graças a experimentos anteriores com o computador. A nova EMA se concentraria mais nos preços mais recentes do que em uma longa série de pontos de dados, como a média móvel simples necessária. EMA atual ((Preço (atual) - EMA anterior)) Multiplicador X) EMA anterior. O fator mais importante é a constante de alisamento que 2 / (1N) onde N é o número de dias. Uma MME de 10 dias / (101) 18,8 Isso significa que um EMA de 10 períodos pesa o preço mais recente 18,8, um EMA 9,52 de 20 dias e um EMA 3,92 de 50 dias no dia mais recente. O EMA trabalha ponderando a diferença entre o preço dos períodos atuais e o EMA anterior e adicionando o resultado ao EMA anterior. Quanto menor o período, maior o peso aplicado ao preço mais recente. Linhas de montagem Por esses cálculos, os pontos são plotados, revelando uma linha de ajuste. As linhas de montagem acima ou abaixo do preço de mercado significam que todas as médias móveis são indicadores atrasados. e são usados principalmente para acompanhar as tendências. Eles não funcionam bem com mercados de intervalo e períodos de congestionamento porque as linhas de ajuste não indicam uma tendência devido à falta de altas ou baixas mais altas evidentes. Além disso, as linhas de encaixe tendem a permanecer constantes sem indícios de direção. Uma linha de ajuste ascendente abaixo do mercado significa um longo, enquanto uma linha de ajuste de queda acima do mercado significa um curto. (Para um guia completo, leia nosso Tutorial de Média Móvel.) O objetivo de empregar uma média móvel simples é identificar e medir tendências suavizando os dados usando os meios de vários grupos de preços. Uma tendência é localizada e extrapolada em uma previsão. A suposição é que os movimentos anteriores de tendência continuarão. Para a média móvel simples, uma tendência de longo prazo pode ser encontrada e seguida muito mais facilmente do que uma EMA, com razoável suposição de que a linha de ajuste será mais forte do que uma linha EMA devido ao foco mais longo nos preços médios. Um EMA é usado para capturar movimentos de tendência mais curtos, devido ao foco nos preços mais recentes. Por esse método, um EMA supostamente reduz qualquer atraso na média móvel simples, de modo que a linha de montagem irá abranger os preços mais próximos do que uma simples média móvel. O problema com a EMA é o seguinte: sua propensão a quebras de preço, especialmente durante mercados rápidos e períodos de volatilidade. A EMA funciona bem até os preços quebrarem a linha de montagem. Durante os mercados de maior volatilidade, você pode considerar o aumento da duração do termo da média móvel. Pode-se até mudar de um EMA para um SMA, uma vez que o SMA suaviza os dados muito melhor do que um EMA devido ao seu foco em meios de longo prazo. Indicadores de Acompanhamento de Tendência Como indicadores de atraso, as médias móveis servem bem como linhas de suporte e resistência. Se os preços caírem abaixo de uma linha de montagem de 10 dias em uma tendência ascendente, há boas chances de que a tendência de alta esteja diminuindo, ou pelo menos o mercado possa estar se consolidando. Se os preços quebrarem acima de uma média móvel de 10 dias em uma tendência de baixa. a tendência pode estar diminuindo ou se consolidando. Nesses casos, empregue uma média móvel de 10 e 20 dias juntos e espere a linha de 10 dias cruzar acima ou abaixo da linha de 20 dias. Isso determina a próxima direção de curto prazo para os preços. Para períodos de longo prazo, observe as médias móveis de 100 e 200 dias para a direção de longo prazo. Por exemplo, usando as médias móveis de 100 e 200 dias, se a média móvel de 100 dias cruzar abaixo da média de 200 dias, é chamada de cruz da morte. e é muito pessimista pelos preços. Uma média móvel de 100 dias que cruza acima de uma média móvel de 200 dias é chamada de cruz dourada. e é muito otimista para os preços. Não importa se um SMA ou um EMA é usado, porque ambos são indicadores de acompanhamento de tendências. É apenas no curto prazo que a SMA tem ligeiros desvios de sua contraparte, a EMA. Conclusão As médias móveis são a base da análise de gráficos e séries temporais. Médias móveis simples e as médias móveis exponenciais mais complexas ajudam a visualizar a tendência suavizando os movimentos de preços. A análise técnica é por vezes referida como uma arte e não como uma ciência, e ambas levam anos para serem dominadas. (Aprenda mais em nosso Tutorial de Análise Técnica.) A suavização de dados remove a variação aleatória e mostra tendências e componentes cíclicos Inerente à coleta de dados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido à variação aleatória. Uma técnica frequentemente usada na indústria é suavizar. Esta técnica, quando aplicada corretamente, revela mais claramente a tendência subjacente, componentes sazonais e cíclicos. Existem dois grupos distintos de métodos de suavização Métodos de Média Exponencial Suavização de Métodos A obtenção de médias é a maneira mais simples de suavizar dados. Primeiro investigaremos alguns métodos de cálculo de média, como a média simples de todos os dados anteriores. Um gerente de um depósito quer saber quanto um fornecedor típico entrega em unidades de mil dólares. Ele / ela pega uma amostra de 12 fornecedores, aleatoriamente, obtendo os seguintes resultados: A média calculada ou média dos dados 10. O gerente decide usar isso como a estimativa para o gasto de um fornecedor típico. Esta é uma estimativa boa ou ruim O erro quadrático médio é uma maneira de julgar quão bom é um modelo Vamos calcular o erro quadrático médio. O valor verdadeiro do erro gasto menos o valor estimado. O erro ao quadrado é o erro acima, ao quadrado. O SSE é a soma dos erros quadrados. O MSE é a média dos erros ao quadrado. Resultados do MSE, por exemplo Os resultados são: Erro e Erros Quadráticos A estimativa 10 Surge a pergunta: podemos usar a média para prever renda se suspeitarmos de uma tendência Uma olhada no gráfico abaixo mostra claramente que não devemos fazer isso. A média pesa todas as observações passadas igualmente Em resumo, afirmamos que A média simples ou média de todas as observações passadas é apenas uma estimativa útil para previsão quando não há tendências. Se houver tendências, use estimativas diferentes que levem em consideração a tendência. A média pesa todas as observações passadas igualmente. Por exemplo, a média dos valores 3, 4, 5 é 4. Sabemos, é claro, que uma média é computada adicionando todos os valores e dividindo a soma pelo número de valores. Outra maneira de calcular a média é somando cada valor dividido pelo número de valores, ou 3/3 4/3 5/3 1 1.3333 1.6667 4. O multiplicador 1/3 é chamado de peso. Em geral: bar frac soma esquerda (fratura direita) x1 esquerda (fratura direita) x2,. , esquerda (frac direita) xn. Os (esquerda (direita da fratura)) são os pesos e, claro, somam 1.
No comments:
Post a Comment